Retos en la digitalización del sector financiero en España

La digitalización del sector financiero en España se encuentra a un nivel muy avanzado, aunque no está exenta de afrontar retos puntuales.

La banca española es la segunda mejor digitalizada del mundo, pero el crecimiento imparable de los usuarios de servicios financieros online implica cumplir con diversas y cambiantes expectativas.

 

El incremento de clientes online acelera la digitalización del sector financiero

Ya sabemos que el coronavirus aceleró los procesos de transformación digital en curso en todos los sectores. Sólo que en el ámbito bancario y financiero el ritmo de incorporación tecnológica continúa en crecimiento, dadas las expectativas de los nuevos clientes. Estudios recientes refieren que 55% de usuarios bancarios incrementará la interacción virtual con sus entidades mediante aplicaciones. Mientras un 87% de quienes aumentaron el uso de banca digital en los meses críticos de la pandemia asegura que seguirá empleando dicho canal al mismo nivel. Asimismo, un 44% quiere efectuar operaciones a través de aplicaciones móviles y WebApps. Y un 37% aspira a realizar desde el móvil todas sus operaciones financieras y bancarias.

El desarrollo de estas aplicaciones orienta a la innovación mediante la participación en aceleradoras de startups. Incluso, desde hace años, muchos bancos también están adquiriendo proyectos de emprendimiento dedicados al desarrollo de soluciones digitales para el sector que analizamos. Esto explica por qué España es el sexto mayor ecosistema de fintech a nivel mundial. En nuestro país funcionan más de 400 startups/fintech; 75% de ellas trabajan en asociación con organizaciones financieras y bancarias tradicionales.

De esta forma, se establece una sinergia entre el sector financiero y bancario tradicional y los emprendimientos. Los primeros aprovechan la agilidad de las fintech en el desarrollo de nuevas tecnologías y en el testing de nuevos modelos de negocio. Por su parte, los segundos también se sirven de las fortalezas del sector tradicional: el know how del negocio, la confianza, la capacidad financiera y un porfolio de clientes que las startups no pueden alcanzar en el corto plazo. Todo ello crea condiciones de eficiencia y flexibilidad que permiten mejorar la experiencia de usuario y satisfacer sus expectativas actuales y futuras.

 

PSD2, bigtech y open banking, la otra cara de las fintech

Sin quitarle mérito a su intención de agilizar su transformación digital, la banca tradicional tiene otra razón para interactuar con startups. La incorporación de nuevos players nativos digitales al mercado financiero, respaldados por las bigtech, tienen mayor capacidad y rapidez para innovar. Incluso dichas entidades pueden anticiparse a las necesidades y expectativas de los usuarios. En otras palabras, las bigtech son fintech más poderosas que comenzaron a operar como plataformas de pago e inversión o directamente como bancos online.

A lo anterior, se une la entrada en vigencia, en 2020, de la Segunda Directiva de Servicios de Pago de la UE o PSD2. Esta figura legal eliminó la “exclusividad” que tenían los bancos en la gestión de la información financiera de sus clientes. Ahora estos últimos pueden autorizar el uso de sus datos a otras entidades de base no financiera, para acceder a una oferta amplia de servicios innovadores.

En este sentido, la PSD2 está impulsando el concepto de open banking (o datos abiertos), que le permite a cualquier entidad tener acceso a información sobre cuentas, procesar pagos y autenticar usuarios de manera segura. Para tener una idea del potencial de este nuevo paradigma, Allied Market Research pronostica que el mercado mundial de open banking llegará en 2026 a 43.152 millones de dólares.

 

La calidad de datos es crítica en la digitalización del sector financiero

En este escenario de digitalización acelerada, los datos son cada vez más relevantes. Sin duda, hablamos de un activo empresarial valioso que el sector financiero debe gestionar y proteger rigurosamente. De este tratamiento de la información dependerá su conversión en inteligencia de negocio; eso sí, cumpliendo las normativas vigentes como el RGPD, entre otros. Por tanto, la calidad de los datos es vital para que la estrategia de transformación digital sea efectiva. En consecuencia, otro desafío actual de los bancos y entidades financieras es monitorizar y actualizar de forma permanente su gobierno de datos. Con este propósito, dicho órgano debe mantener un marco apropiado en el que se definan los responsables y las fuentes únicas de datos consolidados. Asimismo, el data governance ha de preservar los niveles de confidencialidad y garantizar en todo momento la integridad y seguridad de los datos.

Aunque la cantidad de información crece exponencialmente en la era digital, tecnologías como Big Data y la analítica avanzada pueden procesar velozmente enormes cantidades de datos estructurados o no estructurados. Esta posibilidad de analizar y procesar datos con rapidez permite anticiparse a las necesidades de los clientes y personalizar productos y servicios. Más aún, esta facultad facilita la identificación de oportunidades de cross-selling e incluso permite predecir cuándo un cliente abandonará su entidad bancaria. Pero –reiteramos- la calidad de datos es indispensable para que este proceso se desarrolle de manera efectiva y proporcione resultados acertados.

No por casualidad, entidades como Bankinter o Santander Cosumer eligieron  un sistema de tratamiento automatizado en la especialidad de normalización, deduplicación y enriquecimiento de bases de datos que actúa sobre los datos de identificación (nombre, apellidos, ID, etc.), datos de localización (direcciones postales, enriquecimiento con variables geográficas, XY, AGEB, sociodemográficas y tipologías de consumo) y datos de contacto (teléfonos y direcciones de correo electrónico).

 

Uso de datos para inteligencia de negocio

En muchos casos las compañías acumulan datos como consecuencia del desarrollo de su actividad. Para avanzar en la transformación digital es clave analizar sus posibles usos y accionarlos en pro de mejorar procesos, acciones comerciales y experiencia de cliente. Usos habituales en el sector financiero:

• Análisis y segmentación avanzada de clientes con datos sociodemográficos para descubrir gemelos y generar acciones efectivas de captación, crecimiento en clientes con potencial y fidelización de aquellos más valiosos para reducir el abandono.
• Elaboración de modelos predictivos de comportamiento de clientes
• Análisis geográfico de canibalización de sucursales y estudio de su radio de influencia, para optimizar productos, servicios y campañas comerciales a negocios y particulares.
• Optimización y automatización del proceso de admisión con variables que permitan controlar el riesgo por cliente